SpecAugment สำหรับการรู้จำเสียง

It boosted accuracy on benchmarks without any new audio or model changes.

SpecAugment เปิดตัวโดย Google Brain (Park และคณะ) ในปี 2019 เพิ่มการฝึกอบรมการรู้จำคำพูดโดยการแก้ไขสเปกโตรแกรม log-mel โดยตรงแทนที่จะเป็นรูปคลื่นดิบ ใช้การดำเนินการสามประการ: การบิดเบี้ยวของเวลา ซึ่งจะยืดหรือบีบอัดเสียงเล็กน้อยตามแกนเวลา การกำบังความถี่ซึ่งจะลดแถบความถี่ของช่องความถี่เป็นศูนย์ และการปิดบังเวลา ซึ่งจะทำให้ช่วงระยะเวลาต่างๆ หมดไป ด้วยการบังคับให้โมเดลจดจำคำพูดแม้ว่าจะซ่อนส่วนสเปกโตรแกรมไว้ก็ตาม SpecAugment จะทำหน้าที่เป็นการทำให้เป็นมาตรฐานและป้องกันไม่ให้มีการติดตั้งมากเกินไป มีราคาถูกและมีประสิทธิภาพอย่างน่าทึ่ง ช่วยให้โมเดลแบบ LAS มีอัตราความผิดพลาดของคำที่ล้ำสมัยบน LibriSpeech และ Switchboard และยังคงเป็นส่วนประกอบเริ่มต้นในไปป์ไลน์การฝึกอบรม ASR สมัยใหม่